SIFT，一种检测局部特征算法，该算法通过求一幅图中的特征点（及其有关scale 和 orientation 的描述子得到特征并进行图像特征点匹配，SIFT特征具有尺度不变性，即使改变旋转角度，图像亮度或拍摄视角，仍然能够得到好的检测效果。
1)构建尺度空间（Scale space）:
2)高斯模糊
模糊模板：
模糊模板的计算：
二维高斯模糊产生黑边，如下虚框值为0，计算后值偏小：
分离高斯模糊，处理黑边，仅考虑图片内部，虚框不考虑。
3)差分高斯函数：
极大值和极小值能够产生比其他函数（包括梯度，Hessian，Harris角点函数）更加稳定的特征。
4)构建图片金字塔：
金子塔自下而上分为多层，在第一层中，对原始图像不断用高斯函数卷积，得到一系列逐渐平滑的图像。在这一层中，相邻的高斯图像差分得到高斯差分图像。这一组进行完毕后，从中抽取一幅图像A进行降采样，得到图像B的面积变为A的1/4，并将B作为下一层的初始图像，重复第一层的过程。选取A的原则是，得到A所用的尺度空间参数σ为初始尺度空间参数的2倍。设k = 2
1/s，在s个尺度中寻找极值点，则每层要有s+3幅图像，生成s+2幅高斯差分图像。
5）空间极值点检测
6）关键点精准定位：提取稳定关键点
7）Orientation assignment
8）局部描述子
分享到:
閱讀更多 AI深度學習求索 的文章
